교통 예측을 위한 동적 인과 그래프 컨볼루션 네트워크

상관관계가 있는 교통 시계열에서 복잡한 시공간적 종속성을 모델링하는 것은 교통 예측에 있어 필수적이다. 최근 연구들은 신경망을 활용하여 시공간적 상관관계를 추출함으로써 예측 성능을 향상시킨 바 있으나, 이러한 성능은 교통 네트워크의 공간 구조를 표현하기 위해 사용되는 그래프 구조의 품질에 크게 의존한다. 본 연구에서는 시간에 따라 변하는 동적 베이지안 네트워크(dynamic Bayesian network)를 도입하여 교통 데이터의 세밀한 시공간적 구조를 포착하는 새로운 예측 방법을 제안한다. 이후 그래프 컨볼루션 네트워크를 활용하여 교통 예측을 수행한다. 비선형 교통 전파 패턴을 효율적으로 모델링할 수 있도록, 단계별로 동적 인과 그래프를 생성할 수 있는 딥러닝 기반의 하이퍼네트워크 모듈을 개발하였다. 실제 교통 데이터셋을 대상으로 수행한 실험 결과는 제안된 방법의 우수한 예측 성능을 입증한다. 코드는 https://github.com/MonBG/DCGCN 에서 제공된다.